[发明专利]混响语音的混响抑制方法及装置

说明书

本发明提供了一种混响语音的混响抑制方法及装置，应用于接收语音的终端，包括：利用编码器模型获得混响语音时域信号的幅度谱对应的多个尺度下的编码特征；根据混响时间对多个尺度的编码特征进行加权处理；根据加权处理后的编码特征，利用解码器模型获得新的幅度谱；对新的幅度谱进行相关计算，获得混响语音时域信号经过混响抑制后的直达语音时域信号；本发明通过混响时间对多个尺度的编码特征进行处理，使本方案可以适应不同环境下混响抑制，提高了进行混响抑制的模型的鲁棒性。

技术领域

本发明涉及语音信号处理技术领域，尤其涉及一种混响语音的混响抑制方法及装置。

背景技术

语音混响抑制技术主要是去除语音信号中的混响语音，提高语音的质量和可懂度，从而在语音识别和人耳理解方面取得更好的表现。

由于混响语音信号对应于无混响语音信号和房间冲激响应的卷积，因此，现有技术中的一种混响抑制方法是通过估计房间冲激响应的逆滤波器实现混响抑制。

现有技术中的另一种混响抑制方法是基于深度神经网络的混响抑制方法。其通过训练神经网络模型进行掩蔽估计或谱映射，从混响语音中获得混响抑制后的直达声信号。

基于深度神经网络的混响抑制方法相对于前者的方法，在混响抑制程度上存在优势。但是在模型的输入特征的利用中，没有考虑通过结合环境信息来动态选择多个尺度的包含语音信号上下文信息的编码特征，导致模型对于不同环境变化的鲁棒性欠佳。

发明内容

本发明实施例提供了一种混响语音的混响抑制方法及装置，利用混响时间调整混响抑制模型，使其对混响语音信号的混响抑制的鲁棒性得以提高，解决上述存在的技术问题。

第一方面，本发明提供一种混响语音的混响抑制方法，应用于接收语音的终端，所述方法包括：

接收混响语音时域信号，将所述混响语音时域信号转换到频域中，并获取混响语音频域信号对应的第一幅度谱和相位值；

将所述第一幅度谱输入编码器模型，获得编码器模型输出的多个尺度的编码特征；

利用多个尺度的加权系数对所述多个尺度的编码特征进行加权求和处理；所述多个尺度的加权系数根据所述混响语音时域信号对应的混响时间，利用混响时间注意力模型获得；

将处理后的编码特征输入解码器模型，获得解码器模型输出的第二幅度谱；

根据所述相位值和所述第二幅度谱，获得所述混响语音时域信号对应的直达语音时域信号；

其中，所述编码器模型由多个并行的卷积神经网络模型组成，所述混响时间注意力模型由全连接神经网络模型组成，所述解码器模型由转置卷积卷积神经网络组成。

由上，利用混响语音时域信号对应的混响时间对获得的多个尺度的编码特征进行特征选择，采用混响时间注意力机制提高了各个模型对不同环境的泛化能力，使得本发明的混响抑制方法可以适应不同的环境，提供了混响抑制的鲁棒性。

在一种可能的实施方式中，所述将所述混响语音时域信号转换到频域中包括：

对所述混响语音时域信号进行分帧处理，以及对分帧处理后的信号进行加窗处理；

对加窗处理后的信号做傅里叶变换中，获得混响语音频域信号。

在一种可能的实施方式中，所述对所述混响语音的时域信号进行分帧处理包括：

以固定的帧长度在所述混响语音时域信号中截取信号；

当所述混响语音时域信号中剩余信号的长度小于所述帧长度时，对所述混响语音时域信号中剩余信号做补零处理。

在一种可能的实施方式中，所述对分帧处理后的信号进行加窗处理包括：